CN109033190A - 一种推荐信息的推送方法、装置及设备 - Google Patents

一种推荐信息的推送方法、装置及设备 Download PDF

Info

Publication number
CN109033190A
CN109033190A CN201810681477.9A CN201810681477A CN109033190A CN 109033190 A CN109033190 A CN 109033190A CN 201810681477 A CN201810681477 A CN 201810681477A CN 109033190 A CN109033190 A CN 109033190A
Authority
CN
China
Prior art keywords
property value
user property
user
preference
recommendation information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810681477.9A
Other languages
English (en)
Other versions
CN109033190B (zh
Inventor
滕幻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Weimeng Chuangke Network Technology China Co Ltd
Original Assignee
Weimeng Chuangke Network Technology China Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Weimeng Chuangke Network Technology China Co Ltd filed Critical Weimeng Chuangke Network Technology China Co Ltd
Priority to CN201810681477.9A priority Critical patent/CN109033190B/zh
Publication of CN109033190A publication Critical patent/CN109033190A/zh
Application granted granted Critical
Publication of CN109033190B publication Critical patent/CN109033190B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/12Computing arrangements based on biological models using genetic models
    • G06N3/126Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种推荐信息的推送方法,用以解决推荐信息推送不能精准推送给感兴趣用户的问题。方法包括:确定各用户属性值第一集合分别对应的用户对推荐信息的偏好程度;根据所述偏好程度,从所述各用户属性值第一集合中选取对于所述推荐信息的偏好程度符合预设条件的至少两个用户属性值第一集合;以所述至少两个用户属性值第一集合作为遗传算法的亲本,采用所述遗传算法计算出作为子本的用户属性值第二集合;向所述用户属性值第二集合对应的用户推送所述推荐信息。本申请还公开了一种推荐信息的推送装置及推送设备。

Description

一种推荐信息的推送方法、装置及设备
技术领域
本申请涉及计算机软件技术领域,尤其涉及一种推荐信息的推送方法、装置及设备。
背景技术
互联网诞生以来,各种基于互联网的服务层出不穷,网民数量日趋庞大,互联网所承载的信息量也呈现爆炸性的增长。为了迎合庞大的网民群体,充分利用爆炸性增长的网络信息,主动推送推荐信息日益成为各大网络服务商的主流选择,从而提高网络关注度,进而获取巨大的商业利益。其中,术语“推送推荐信息”一般是指主动将用户可能感兴趣的信息发送至用户端。
目前,大部分网络服务商所进行的信息推送往往是根据该信息的绝对热门程度,简单的将浏览量或下载量大的信息推送给所有用户,并没有对所推送的用户群体进行区分鉴别,导致大部分信息推送到了不需要这些信息的客户,浪费了流量。因此,期望提供一种通过确定有效用户群体来进行针对性信息推送的方法和设备。
发明内容
本申请实施例提供一种推荐信息的推送方法,用以解决现有技术存在的推荐信息推送不能精准推送给感兴趣用户的问题。
本申请实施例还提供一种推荐信息的推送装置与推送设备,用以解决现有技术存在的推荐信息推送不能精准推送给感兴趣用户的问题。
本申请实施例采用下述技术方案:
第一方面,提供了一种推荐信息的推送方法,包括:
确定各用户属性值第一集合分别对应的用户对推荐信息的偏好程度;
根据所述偏好程度,从所述各用户属性值第一集合中选取对于所述推荐信息的偏好程度符合预设条件的至少两个用户属性值第一集合;
以所述至少两个用户属性值第一集合作为遗传算法的亲本,采用所述遗传算法计算出作为子本的用户属性值第二集合;
向所述用户属性值第二集合对应的用户推送所述推荐信息。
第二方面,提供了一种推荐信息的推送装置,包括:
偏好程度确定单元,用于确定各用户属性值第一集合分别对应的用户对推荐信息的偏好程度;
选取单元,用于根据所述偏好程度,从所述各用户属性值第一集合中选取对于所述推荐信息的偏好程度符合预设条件的至少两个用户属性值第一集合;
遗传算法计算单元,用于以所述至少两个用户属性值第一集合作为遗传算法的亲本,采用所述遗传算法计算出作为子本的用户属性值第二集合;
推送单元,用于向所述用户属性值第二集合对应的用户推送所述推荐信息。
第三方面,提供了一种推荐信息的推送设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上述推荐信息的推送方法的步骤。
由以上本申请实施例提供的技术方案可见,本申请实施例方案至少具备如下技术效果:
由于可以根据用户对推荐信息的偏好程度,基于用户属性值对推荐信息拟推送的用户进行遗传算法优化,从而,得益于遗传算法的全局择优性,减少了陷入局部最优解的风险,可以保证计算出的作为子本的用户属性值第二集合能够在一定程度上,“遗传”作为优秀亲本的用户属性值第一集合的用户对于推荐信息的偏好程度,从而使得推荐信息能够精准推送给感兴趣用户,提高了推荐信息推送有效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种推荐信息的推送方法具体流程示意图;
图2为本申请实施例提供的用户属性值集合示意图;
图3为本申请实施例提供的用户属性值第一集合进行遗传算法处理的示意图;
图4为本申请实施例提供的一种基于遗传算法的迭代操作进行推荐信息的反复推送过程示意图;
图5为本申请实施例提供的一种推荐信息的推送装置的具体结构示意图;
图6是本发明的实施例提供的一种推送设备的具体结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
实施例1
为解决现有技术存在的推荐信息推送不能精准推送给感兴趣用户的问题,本申请实施例提供一种推荐信息的推送方法。
本申请实施例提供的推送推荐信息的方法的执行主体可以是服务器,例如,微博网站的服务器、新闻门户网站的服务器、购物网站的服务器,等等。当然,本发明实施例提供的该方法也可以由除服务器外的其他设备作为执行主体,所述的执行主体并不构成对本申请的限定,为了便于描述,本申请实施例均以执行主体是社交网站的服务器为例进行说明。
该方法的具体实现流程示意图如图1所示,该方法的具体实现主要包括下述步骤:
步骤11,社交网站的服务器确定各用户属性值第一集合分别对应的用户针对待推送信息的偏好程度;
所述偏好程度,可以是用于表征用户对推荐信息偏好程度高低的参数的值。
所述用户属性值集合,是指由用户的属性值所组成的集合。其中,所述用户属性,包括但不限于年龄、地域、教育、消费水平、所使用接收信息设备型号,等等。为方便区分经过遗传算法处理的用户属性值集合,将遗传算法处理前的用户属性值集合称为用户属性值第一集合,将经过遗传算法处理后的用户属性值集合称为用户属性值第二集合。
例如,如图2所示,是所述用户属性值第一集合的一种体现形式。如图2所示,这个用户属性值第一集合由11个属性值组成,分别描述了用户的性别属性、地域属性、教育程度属性和设备属性。
以性别属性“男”和“女”为例,其中,若性别属性“男”的值为“1”,“女”的值为“0”,则根据性别属性的具体值,可以确定出性别属性所描述的用户属性为男。以此类推,则如图2所示的用户属性值集合所描述的用户属性为:性别属性为男、地域属性为北京、教育程度属性为大学、设备属性为iOS。
本发明实施例中,用户属性值第一集合对应的用户,是指用户属性与所述用户属性值第一集合相匹配的用户。
例如:如图2所示的用户属性值集合所描述的用户的性别属性为男、地域属性为北京、教育程度属性为大学、设备属性为iOS,则该用户属性值集合对应的用户为:居住在北京、教育程度为大学,使用iOS设备的男性用户。
需要说明的是,所述用户,可以但不限于是指可作为推荐信息接收方的对象。比如,微博的注册用户,就可以是本发明实施例中所述的用户。
所述推荐信息,是指包含一定意思内容的载体的总称。所述推荐信息的类型包括文字、图片、声音、视频、网站地址,等等。比如,以所述用户为微博的注册用户为例,这里所说的推荐信息,比如可以是待推送给所述注册用户的广告。
需要说明的是,所述偏好程度,可以但不限于是对所述用户对所述推荐信息进行互动行为的操作情况进行统计所得到的。如,对用户针对所述推荐信息进行点赞、评论、转发等操作到的次数进行统计得到所述偏好程度。
所述确定各第一用户属性值集合分别对应的用户针对待推送信息的偏好程度,可以包括:通过统计所述用户属性值第一集合所对应的用户针对推荐信息的互动行为,计算得到偏好程度。
例如,将一条推荐信息推送给地域属性为“上海”的用户10000次,通过互动日志获知,这条推荐信息被点赞了50次,那么地域属性为“上海”所对应的用户对推荐信息的偏好程度可以是:50\10000=0.005。
例如,将一条内容为视频,可反复评论的推荐信息推送给地域属性为“上海”的用户,地域属性为“上海”的用户总共观看了100000分钟,通过互动日志获知,这条推荐信息被评论了1000次,那么地域属性为“上海”所对应的用户对推荐信息的偏好程度可以是:1000\100000=0.01。
例如,将一条内容为视频,可反复评论和点赞的推荐信息推送给地域属性为“上海”的用户,地域属性为“上海”的用户总共观看了10000次、100000分钟,通过互动日志获知,这条推荐信息被点赞了50次,评论了1000次,那么地域属性为“上海”所对应的用户对推荐信息的偏好程度可以是:50\10000+1000\100000=0.015。
步骤12,社交网站的服务器根据所述偏好程度,从所述各用户属性值第一集合中选取对于所述推荐信息的偏好程度符合预设条件的至少两个用户属性值第一集合;
在一种实施方式中,步骤12的具体实施方式可以包括:根据步骤11确定的各第一用户属性值集合分别对应的用户对推荐信息的偏好程度,对各用户属性值第一集合进行排序,并选出所述偏好程度排名前指定位(如前2名)的用户属性值集合。
在另一种实施方式中,步骤12的具体实施方式可以包括:根据步骤11确定的各用户属性值第一集合分别对应的用户对推荐信息的偏好程度,对各用户属性值第一集合进行排序,选出排名序号为单数的至少两个所有用户属性值第一集合。
在另一种实施方式中,步骤12的具体实施方式可以包括,当根据步骤11确定的各用户属性值第一集合分别对应的用户针对推荐信息偏好程度相同时,优先选取包含指定的用户属性值的至少两个用户属性值第一集合。
举例来说,当所述推荐信息为广告商期望向用户推送的广告时,所述指定的用户属性,可以包括广告商指定的用户属性,如:针对如图2所示的用户属性值集合,广告商可以预先指定:当所述偏好程度相同时,优先选取包含用户属性“女”的值为1的用户属性值第一集合,等等。广告商指定的该指定的用户属性值,可以预先保存在社交网站的服务器中,以便在选取所述至少两个用户属性值第一集合时,以该指定的用户属性值作为选取依据。
采取上述这种实施方式,可以开放给广告商等推荐信息推送方一定的选择权,从而从一定程度上满足了广告商对于所述推荐信息推送方式的定制需求。
在一种实施方式中,步骤12的具体实施方式可以包括:
根据步骤11确定的各用户属性值第一集合分别对应的用户对推荐信息的偏好程度,判断每一个用户属性值第一集合对应用户的偏好程度是否小于预设偏好程度第一阈值;
若符合条件的用户属性值第一集合存在至少两个,则根据所述偏好程度,从所述各用户属性第一集合中选取至少两个用户属性值第一集合。;
若判断为否,则直接向各用户属性值第一集合所对应的用户推送所述推荐信息,而不进行遗传算法优化。
需要说明的是,当所述判断结果为否时,意味着所述用户属性第一集合对应的用户对所述推荐信息的偏好程度已经较高,从一定程度上已经能满足推荐信息的预计推送效果,从而,在这样的情况下,不进行遗传算法优化用户属性值集合,而是直接向各用户属性值第一集合所对应的用户推送所述推荐信息,可以避免在任何情况下都对所述用户属性第一集合进行优化,而导致不必要的处理资源浪费。
例如,用户属性值第一集合a对所述推荐信息的偏好程度为0.005,用户属性值第一集合b对所述推荐信息的偏好程度为0.006,用户属性值第一集合c对所述推荐信息的偏好程度为0.007,若预设偏好程度第一阈值为0.008,则说明所述用户对所述推荐信息的偏好程度不达标,可以对所述用户属性值第一集合进行进一步优化;若预设偏好程度第一阈值为0.004,则说明所述用户属性值第一集合对应的用户针对所述推荐信息的偏好程度已全部达标,可以不对所述用户属性值第一集合进行进一步优化。
步骤13,社交网站的服务器以选取的所述至少两个用户属性值第一集合作为遗传算法的亲本,采用所述遗传算法计算出作为子本的用户属性值第二集合;
在一种实施方式中,步骤13的具体实施方式如图3所示,可以包括:
①在两个包含11个用户属性值的用户属性值第一集合中随机选择一个分隔位置。
②将所述两个用户属性值第一集合在分隔位置断开,两两交换分隔位置之后的用户属性值。
比如,如图3所示,随机产生的分隔位置位于第三个用户属性值和第四个用户属性值之间,即图中所示虚线段,将所述两个用户属性值第一集合在第三个用户属性值和第四个用户属性值之间分隔开,并交换图3中位于分隔位置之下的用户属性值,从而得到如图3所示的“交换后的一对用户属性值第一集合”。
其中,单个所述用户属性值第一集合,相当于遗传算法中的一条“基因”。
在所述交换后的一对用户属性值第一集合中,随机选定一个用户属性值位置,若所选定的用户属性值位置为预先指定的用户属性的值所在的位置,则重新选定一个用户属性值位置;所述预先指定的用户属性,是指预先指定不参与遗传算法的用户属性。
例如,某条推荐信息为卫生巾的广告,固定推荐给用户属性“女”的值为1的用户,则用户属性“女”不参与遗传算法计算,如果随机得到的用属性值位置上的用户属性为“女”,则重新选定一个用户属性值位置。
对所述随机选定的位置上的对应用户属性值随机进行取反操作或保留操作。例如,先对是否采取取反操作进行随机判断,若判断结果为“是”,则进行取反操作,若判断结果为否,则进行保留操作。
本发明实施例中,可以通过随机产生一个可能为“0”或“1”的数值,来实现该判断。具体地,若随机产生的数值为“0”,则判定进行取反操作;若随机产生的数值为“1”,则判定进行保留操作。
其中,所述取反操作,即之前这个用户属性值位置上的用户属性值为1,则置成0,如果为0则置成1。
所述保留操作,即之前这个用户属性值位置上的用户属性值为1,则仍为0,如果为1则仍为1。
如图3所示,随机生成的用户属性值位置为第五个用户属性值所在的位置,则对所述两个用户属性值第一集合的第五个用户属性值随机进行取反操作或保留操作,如图3所示,其中一条用户属性值第一集合的第五个用户属性值就由“0”取反变成“1”,另一条用户属性值第一集合的第五个用户属性值则进行保留操作,属性值仍为1。
重复以上步骤20次,得到20对用户属性值第二集合。
步骤14,社交网站的服务器向所述用户属性值第二集合对应的用户推送所述推荐信息。
需要说明的是,在对所述用户属性值第二集合对应的用户推送所述推荐信息时,所述对应的用户可以但不限于是实时在线的用户。
在一种实施方式中,步骤14的具体实施方式可以包括:使用步骤13所述的用户属性值第二集合,替换偏好程度排名靠后的相同数量的所述用户属性值第一集合,并向所述用户属性值第二集合及未被替换的用户属性值第一集合对应的用户推送所述推荐信息。
在一种实施方式中,步骤14的具体实施方式还可以包括:根据步骤11确定的各第一用户属性值集合分别对应的用户对推荐信息的偏好程度,对各用户属性值第一集合进行排序,并选出至少两个用户属性值第一集合。淘汰所述用户的偏好程度低于预设偏好程度第二阈值的用户属性值第一集合,向进行所述淘汰后剩余的用户属性值第一集合对应的用户,推送所述推荐信息。
例如,用户属性值第一集合a对所述推荐信息的偏好程度为0.005,用户属性值第一集合b对所述推荐信息的偏好程度为0.006,用户属性值第一集合c对所述推荐信息的偏好程度为0.007,用户属性值第一集合d对所述推荐信息的偏好程度为0.008,若预设偏好程度第二阈值为0.0055,则将用户属性值第一集合a淘汰,选取用户属性值第一集合c和d作为所述遗传算法的亲本,同时对用户属性值第一集合b所对应的用户继续推送所述推荐信息。
本申请实施例提供的推送推荐信息的方法还包括:
向所述用户属性值第二集合对应的用户推送所述推荐信息后,进一步确定用户属性值第二集合所对应的用户对所述推荐信息的偏好程度,并基于确定出的用户属性值第二集合对应的用户对所述推荐信息的偏好程度,将所述用户属性值第二集合作为遗传算法的亲本,重新进行步骤12至14。
在推荐信息推送业务中,一条推荐信息往往需要反复推送多次,以取得较好的推送效果,为了不断提高推送的精准度,保证推荐信息推送的有效性,对所述用户属性第二集合对应的用户针对推荐信息的偏好程度进行统计,基于遗传算法的迭代操作继续执行如图1所示的步骤,是实现以上技术效果的重要基础。
例如,所述基于遗传算法的迭代操作进行推荐信息的反复推送过程如图6所示,从图4中可以看出,推送单元将推荐信息推送给用户,用户获取所述推荐信息后,如果对推荐信息感兴趣,会对推荐信息产生互动行为,包括但不限于转发、评论、点赞,等等,偏好程度确定单元对用户的互动行为进行统计确定用户对所述推荐信息的偏好程度,将所述偏好程度反馈给遗传算法单元,遗传算法单元对所述用户对应的用户属性值集合进行遗传算法优化,并且将优化后的用户属性值集合呈递给推送单元,推送单元基于所述优化后的用户属性值集合将所述推荐信息推送给对应的用户,并再次由偏好程度确定单元确定偏好程度,从而实现了以实际用户为实验对象反复进行遗传算法迭代操作的目的。
现有技术所使用的遗传算法,使用者所关注的往往是通过遗传算法所得到的最终目标,而本申请实施例1所述的方法的重点不仅是最终所获得的符合预设标准的用户属性值集合,更是反复向用户推送所述推荐信息的过程。通过反复向用户推送所述推荐信息,并以这种反复推送的过程作为遗传算法的运行基础不断优化用户属性值集合,进而使每次推送行为更加精准,有效保证了一个持续且有效的推送过程。
采用本申请实施例1提供的方法,由于可以根据用户对推荐信息的偏好程度,基于用户属性值对推荐信息拟推送的用户进行遗传算法优化,从而,得益于遗传算法的全局择优性,减少了陷入局部最优解的风险,可以保证计算出的作为子本的用户属性值第二集合能够在一定程度上,“遗传”作为优秀亲本的用户属性值第一集合的用户对于推荐信息的偏好程度,从而使得推荐信息能够精准推送给感兴趣用户,提高了推荐信息推送有效率。
实施例2
为解决现有技术存在的推荐信息推送不能精准推送给感兴趣用户的问题,本申请实施例提供一种推荐信息的推送装置50。该装置的具体结构示意图如图5所示,包括偏好程度确定单元51、选取单元52、遗传算法计算单元53以及推送单元54。
其中,偏好程度确定单元51,用于确定各用户属性值第一集合分别对应的用户对推荐信息的偏好程度;
选取单元52,用于根据所述偏好程度,从所述各用户属性值第一集合中选取对于所述推荐信息的偏好程度符合预设条件的至少两个用户属性值第一集合;
遗传算法计算单元53,用于以所述至少两个用户属性值第一集合作为遗传算法的亲本,采用所述遗传算法计算出作为子本的用户属性值第二集合;
推送单元54,用于向所述用户属性值第二集合对应的用户推送所述推荐信息。
在一种实施方式中,偏好程度确定单元51,用于判断每一个用户属性值第一集合对应用户的偏好程度是否小于预设偏好程度第一阈值;若符合条件的用户属性值第一集合存在至少两个,则根据所述偏好程度,从所述各用户属性第一集合中选取至少两个用户属性值第一集合。
在一种实施方式中,选取单元52,用于根据用户属性值第二集合的数量,从所述各用户属性值第一集合中,淘汰所述用户的偏好程度低于预设偏好程度第二阈值的用户属性值第一集合;向进行所述淘汰后剩余的用户属性值第一集合对应的用户,推送所述推荐信息。
在一种实施方式中,遗传算法计算单元53,用于对所述至少两个用户属性值第一集合中的每对用户属性值第一集合分别执行下述操作:针对从当前的两个用户属性值第一集合中随机确定的至少一个用户属性,进行相同用户属性下对应属性值的交换操作,以得到交换后的一对用户属性值第一集合;针对从所述交换后的一对用户属性值第一集合中随机确定的至少一个用户属性值,随机进行属性值的取反操作或保留操作,得到作为子本的一对用户属性值第二集合。
在一种实施方式中,遗传算法计算单元53,用于从所述交换后的一对用户属性值第一集合的除预先指定用户属性外的其他用户属性值中,随机确定至少一个用户属性值。
采用本申请实施例2提供的装置,由于可以根据用户对推荐信息的偏好程度,基于用户属性值对推荐信息拟推送的用户进行遗传算法优化,从而,得益于遗传算法的全局择优性,减少了陷入局部最优解的风险,可以保证计算出的作为子本的用户属性值第二集合能够在一定程度上,“遗传”作为优秀亲本的用户属性值第一集合的用户对于推荐信息的偏好程度,从而使得推荐信息能够精准推送给感兴趣用户,提高了推荐信息推送有效率。
实施例3
为解决现有技术存在的推荐信息推送不能精准推送给感兴趣用户的问题,本发明实施例3提供一种推送设备。
图6为实现本发明各个实施例的一种推送设备的硬件结构示意图,该移动终端50包括但不限于:处理器61、存储器62、输入单元63、输出单元64、以及电源611等部件,其中,存储器61包括但不限于:偏好程度确定单元611、遗传算法单元612、推送单元613。本领域技术人员可以理解,图5中示出的推送设备结构并不构成对推送设备的限定,推送设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。在本发明实施例中,推送设备包括但不限于服务器等。
其中,偏好程度确定单元611,用于确定各用户属性值第一集合分别对应的用户对推荐信息的偏好程度。
遗传算法单元612,用于根据所述偏好程度,从所述各用户属性值第一集合中选取对于所述推荐信息的偏好程度符合预设条件的至少两个用户属性值第一集合;以所述至少两个用户属性值第一集合作为遗传算法的亲本,采用所述遗传算法计算出作为子本的用户属性值第二集合。
推送单元613,用于向所述用户属性值第二集合对应的用户推送所述推荐信息。
存储器62可用于存储软件程序以及各种数据。存储器62可主要包括存储程序区和存储数据区,其中,存储程序区可存储遗传算法、至少一个功能所需的应用程序(比如推送功能等)等;存储数据区可存储根据推送设备的使用所创建的数据(比如用户属性值集合)等。此外,存储器62可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元63、输出单元64为外部装置与推送设备60连接的接口。例如,外部装置可以包括网络端口、调制解调器端口、有线或无线数据端口、存储卡端口,等等。输入单元63可以用于接收来自外部装置的输入(例如,数据信息,等等)并且将接收到的输入传输到推送设备60内的一个或多个元件,输出单元64可以用于将推送设备60内的一个或多个元件的输出(例如,数据信息,等等)输出至外部装置。
推送设备60还可以包括给各个部件供电的电源611(比如电池),优选的,电源611可以通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
另外,推送设备60包括一些未示出的功能模块,在此不再赘述。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种推荐信息的推送方法,其特征在于,包括:
确定各用户属性值第一集合分别对应的用户对推荐信息的偏好程度;
根据所述偏好程度,从所述各用户属性值第一集合中选取对于所述推荐信息的偏好程度符合预设条件的至少两个用户属性值第一集合;
以所述至少两个用户属性值第一集合作为遗传算法的亲本,采用所述遗传算法计算出作为子本的用户属性值第二集合;
向所述用户属性值第二集合对应的用户推送所述推荐信息。
2.根据权利要求1所述的方法,其特征在于,根据所述偏好程度,从所述各用户属性值第一集合中选取对于所述推荐信息的偏好程度符合预设条件的至少两个用户属性值第一集合,具体包括:
判断每一个用户属性值第一集合对应用户的偏好程度是否小于预设偏好程度第一阈值;
若符合条件的用户属性值第一集合存在至少两个,则根据所述偏好程度,从所述各用户属性第一集合中选取至少两个用户属性值第一集合。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据用户属性值第二集合的数量,从所述各用户属性值第一集合中,淘汰对应用户的偏好程度低于预设偏好程度第二阈值的用户属性值第一集合;
向淘汰后剩余的用户属性值第一集合对应的用户,推送所述推荐信息。
4.如权利要求1所述的方法,其特征在于,以所述至少两个用户属性值第一集合作为遗传算法的亲本,采用所述遗传算法计算出作为子本的用户属性值第二集合,具体包括:
对所述至少两个用户属性值第一集合中的每两个用户属性值第一集合分别执行下述操作:
针对从当前的两个用户属性值第一集合中随机确定的至少一个用户属性,进行相同用户属性下对应属性值的交换操作,得到交换后的一对用户属性值第一集合;
针对从所述交换后的一对用户属性值第一集合中随机确定的至少一个用户属性值,随机进行属性值的取反操作或保留操作,得到作为子本的一对用户属性值第二集合。
5.如权利要求4所述的方法,其特征在于,从所述交换后的一对用户属性值第一集合中随机确定的至少一个用户属性值,具体采用下述方式实现:
从所述交换后的一对用户属性值第一集合的除预先指定用户属性值外的其他用户属性值中,随机确定至少一个用户属性值。
6.一种推荐信息的推送装置,其特征在于,包括:
偏好程度确定单元,用于确定各用户属性值第一集合分别对应的用户对推荐信息的偏好程度;
选取单元,用于根据所述偏好程度,从所述各用户属性值第一集合中选取对于所述推荐信息的偏好程度符合预设条件的至少两个用户属性值第一集合;
遗传算法计算单元,用于以所述至少两个用户属性值第一集合作为遗传算法的亲本,采用所述遗传算法计算出作为子本的用户属性值第二集合;
推送单元,用于向所述用户属性值第二集合对应的用户推送所述推荐信息。
7.如权利要求6所述的装置,其特征在于,所述选取单元,具体用于:
判断每一个用户属性值第一集合对应用户的偏好程度是否小于预设偏好程度第一阈值;
若符合条件的用户属性值第一集合存在至少两个,则根据所述偏好程度,从所述各用户属性第一集合中选取至少两个用户属性值第一集合。
8.根据权利要求6所述的装置,其特征在于,所述遗传算法计算单元,具体用于:
对所述至少两个用户属性值第一集合中的每两个用户属性值第一集合分别执行下述操作:
针对从当前的两个用户属性值第一集合中随机确定的至少一个用户属性,进行相同用户属性下对应属性值的交换操作,得到交换后的一对用户属性值第一集合;
针对从所述交换后的一对用户属性值第一集合中随机确定的至少一个用户属性值,随机进行属性值的取反操作或保留操作,得到作为子本的一对用户属性值第二集合。
9.如权利8所述的装置,其特征在于,所述遗传算法计算单元,具体用于:从所述交换后的一对用户属性值第一集合中随机确定的至少一个用户属性值,具体采用下述方式实现:
从所述交换后的一对用户属性值第一集合的除预先指定用户属性值外的其他用户属性值中,随机确定至少一个用户属性值。
10.一种推荐信息的推送设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的推荐信息的推送方法的步骤。
CN201810681477.9A 2018-06-27 2018-06-27 一种推荐信息的推送方法、装置及设备 Active CN109033190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810681477.9A CN109033190B (zh) 2018-06-27 2018-06-27 一种推荐信息的推送方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810681477.9A CN109033190B (zh) 2018-06-27 2018-06-27 一种推荐信息的推送方法、装置及设备

Publications (2)

Publication Number Publication Date
CN109033190A true CN109033190A (zh) 2018-12-18
CN109033190B CN109033190B (zh) 2022-02-08

Family

ID=65520537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810681477.9A Active CN109033190B (zh) 2018-06-27 2018-06-27 一种推荐信息的推送方法、装置及设备

Country Status (1)

Country Link
CN (1) CN109033190B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886769A (zh) * 2019-01-10 2019-06-14 珠海金山网络游戏科技有限公司 一种虚拟物品的展示优化方法和装置
CN109887070A (zh) * 2019-01-10 2019-06-14 珠海金山网络游戏科技有限公司 一种虚拟脸部制作方法和装置
CN112925985A (zh) * 2021-04-01 2021-06-08 上海优咔网络科技有限公司 一种能源获取的智能推荐方法
WO2021163856A1 (zh) * 2020-02-17 2021-08-26 深圳市欢太科技有限公司 内容推送方法、装置、服务器及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761237A (zh) * 2013-12-04 2014-04-30 南京邮电大学 一种基于用户特征及其信任度的协同过滤推荐方法
US20140351270A1 (en) * 2005-01-07 2014-11-27 Sony Corporation Information processing apparatus, information processing method, and program
CN106251174A (zh) * 2016-07-26 2016-12-21 北京小米移动软件有限公司 信息推荐方法及装置
CN106294489A (zh) * 2015-06-08 2017-01-04 北京三星通信技术研究有限公司 内容推荐方法、装置及系统
CN106485566A (zh) * 2016-09-12 2017-03-08 北京易车互联信息技术有限公司 一种信息推荐方法及装置
CN106874503A (zh) * 2017-02-24 2017-06-20 珠海迈科智能科技股份有限公司 获取推荐数据的方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140351270A1 (en) * 2005-01-07 2014-11-27 Sony Corporation Information processing apparatus, information processing method, and program
CN103761237A (zh) * 2013-12-04 2014-04-30 南京邮电大学 一种基于用户特征及其信任度的协同过滤推荐方法
CN106294489A (zh) * 2015-06-08 2017-01-04 北京三星通信技术研究有限公司 内容推荐方法、装置及系统
CN106251174A (zh) * 2016-07-26 2016-12-21 北京小米移动软件有限公司 信息推荐方法及装置
CN106485566A (zh) * 2016-09-12 2017-03-08 北京易车互联信息技术有限公司 一种信息推荐方法及装置
CN106874503A (zh) * 2017-02-24 2017-06-20 珠海迈科智能科技股份有限公司 获取推荐数据的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
丁浩: "基于用户评分和遗传算法的协同过滤推荐算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886769A (zh) * 2019-01-10 2019-06-14 珠海金山网络游戏科技有限公司 一种虚拟物品的展示优化方法和装置
CN109887070A (zh) * 2019-01-10 2019-06-14 珠海金山网络游戏科技有限公司 一种虚拟脸部制作方法和装置
WO2021163856A1 (zh) * 2020-02-17 2021-08-26 深圳市欢太科技有限公司 内容推送方法、装置、服务器及存储介质
CN112925985A (zh) * 2021-04-01 2021-06-08 上海优咔网络科技有限公司 一种能源获取的智能推荐方法

Also Published As

Publication number Publication date
CN109033190B (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
CN107851277B (zh) 隐私一致且个性化的社交媒体内容共享推荐
US20210342392A1 (en) Personalized content sharing
US8055720B2 (en) Cluster-based friend suggestion aggregator
CN107306355B (zh) 一种内容推荐方法及服务器
US11412065B2 (en) Video playlists and recommendations based on electronic messaging communications
CN105574045B (zh) 一种视频推荐方法和服务器
EP3047392A1 (en) System and method for actively obtaining social data
US10013480B2 (en) Method and system for decomposing social relationships into domains of interactions
CN104052714B (zh) 多媒体信息的推送方法及服务器
CN103390194A (zh) 用户意图预测及推荐建议的方法、设备和系统
US9641574B1 (en) Generating connection recommendations on a social network using social contacts
US9384258B1 (en) Identifying top fans
US20180285933A1 (en) Facilitating collaboration between entities based on similarity in respective audiences of the entities
US10726087B2 (en) Machine learning system and method to identify and connect like-minded users
US10320927B2 (en) Systems and methods for providing personalized content
CN102165441A (zh) 用于分级媒体共享频道的方法、系统以及设备
CN109033190A (zh) 一种推荐信息的推送方法、装置及设备
CN105103176A (zh) 信息处理设备、信息处理方法和程序
US20200364277A1 (en) Systems and methods for recommending content subscriptions
CN109492152A (zh) 推送定制内容的方法、装置、计算机设备及存储介质
CN104702488B (zh) 好友推荐系统及方法
CN110659404A (zh) 一种信息推荐方法、装置及存储介质
CN104683370A (zh) 一种内容聚合方法、服务器、客户端以及系统
KR102248487B1 (ko) 후기 컨텐츠 제공 방법 및 그 장치
CN107547626B (zh) 用户画像的共享方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant